CN110175970A - 基于改进fpde和pca的红外与可见光图像融合方法 - Google Patents
基于改进fpde和pca的红外与可见光图像融合方法 Download PDFInfo
- Publication number
- CN110175970A CN110175970A CN201910419031.3A CN201910419031A CN110175970A CN 110175970 A CN110175970 A CN 110175970A CN 201910419031 A CN201910419031 A CN 201910419031A CN 110175970 A CN110175970 A CN 110175970A
- Authority
- CN
- China
- Prior art keywords
- image
- fpde
- infrared
- pca
- visible light
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 14
- 238000000034 method Methods 0.000 claims abstract description 35
- 238000002156 mixing Methods 0.000 claims abstract description 19
- 238000001914 filtration Methods 0.000 claims abstract description 17
- 230000004927 fusion Effects 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 13
- 238000003384 imaging method Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 9
- 238000005267 amalgamation Methods 0.000 claims description 3
- 230000007423 decrease Effects 0.000 claims description 3
- 238000009792 diffusion process Methods 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 238000012876 topography Methods 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 5
- 238000000354 decomposition reaction Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10052—Images from lightfield camera
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于改进FPDE和PCA的红外与可见光图像融合方法,包括以下主要步骤:1)使用改进的FPDE方法对红外和可见光图像进行分解;2)利用引导滤波对低频分量进行融合;3)利用改进的PCA方法对高频分量进行融合;4)利用线性组合进行重构得到最终融合图像。本发明避免了融合图像出现块状效应并能更好的权衡融合图像的边缘保留和平滑。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种基于改进FPDE和PCA的红外与可见光图像融合方法。
背景技术
在图像处理领域中,对于红外与可见光融合方法依然是研究的热点,其中基于多尺度分解的方法在图像融合方面应用最广。常用的多尺度分解方法包括小波变换(WT)、基于交叉双边滤波器(Cross Bilateral Filter,CBF)、非降采样Contourlet变换(NSCT)等。近几年研究学者们开始将PDE方法引入到图像融合处理上,它能在保持图像局部特征的同时处理重要的几何信息。与其他通用数字图像处理工具不同的是,PDE方法将图像视为一个连续的对象,对图像进行无限小的迭代操作,利用数值分析的方法进行处理。
在进行图像处理时采用PDE工具常使用各向异性扩散方法,在源图像基础上进行平滑化直到达到最优化。但是,这样极易产生块状效应或伪轮廓,影响融合图像效果。
发明内容
针对现有技术的不足,本发明所解决的技术问题是红外与可见光融合后融合图像细节纹理信息不足以及视觉效果不佳问题。
为解决上述技术问题,本发明采用的技术方案是一种基于改进FPDE和PCA的红外与可见光图像融合方法,包括以下主要步骤:
1)使用改进的FPDE方法对红外和可见光图像进行分解;具体包括下述过程:
(a)对偏微分方程使用梯度下降求解获得FPDE方法;
(b)将红外图像IIR和可见光图像IVI分别送入FPDE方法进行分解,分别获得低频图像和
(c)通过源图像减去近似图像获得高频图像和
2)利用引导滤波对低频分量进行融合;具体包括下述过程:
(a)对低频图像进行均值滤波得到基础图像Bn,再由低频图像减去基础图像得到细节图像Dn;
(b)分别计算待融合图像的显著性、清晰度、标准差信息,得到初始融合权重;
(c)利用引导滤波算法对初始融合权值进行修正;
(d)采用加权平均的融合方式分别对基础图像与细节图像进行融合得出融合图像的低频分量FA;
3)利用改进的PCA方法对高频分量进行融合;具体包括下述过程:
(a)判别较暗和对比度较低的图像区域并增强此区域;
(b)将高频图像和作为矩阵γ的列向量并找出其协方差矩阵Cγγ;
(c)计算特征值λ1、λ2和Cγγ的特征向量;
(d)找出最大特征值并将与之对应的特征向量作为最大特征向量,再对其主成分分量进行归一化;
(e)将主成分分量作为权重来融合图像信息得到最终细节图像FD;
4)利用线性组合进行重构得到最终融合图像。
与现有技术相比,本发明避免了融合图像出现块状效应并能更好的权衡融合图像的边缘保留和平滑。
附图说明
图1为本发明的工作流程图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步的说明,但不是对本发明的限定。
图1示出了一种基于改进FPDE和PCA的红外与可见光图像融合方法,包括以下主要步骤:
1)使用改进的FPDE方法对红外和可见光图像进行分解;具体包括下述过程:
此操作会运用到拉普拉斯算子,而拉普拉斯算子对图像进行处理时,对噪声比较敏感。于是先对图像进行高斯卷积操作进行降噪操作,再通过拉普拉斯算子进行处理,就可以提高算子对于噪声的鲁棒性,而这一过程中Laplacian of Gaussian(LOG)算子就诞生了。
(a)对偏微分方程使用梯度下降求解获得FPDE方法,具体包括下述分步骤:
Step1:图像先进过高斯滤波卷积:
Iσ=Gσ*I
σ是标准差;x、y是图像像素位置坐标;Gσ是高斯滤波卷积操作;
I是原始图像。
Step2:建立FPDE过程从而得到计算公式:
是对经过高斯滤波的图像强度图像函数u执行的FPDE进程;▽2是拉普拉斯算子;c是改进的扩散系数,其中s为变量,kf、kb为常数分别控制向前和向后扩散的范围,β为常数辅助控制向后扩散范围,α是向前和向后扩散之间的调节系数,满足α≤kf/2(kb+β)。
Step3:用迭代方法进行数值求解得到计算公式:
所是在n+1次迭代和在(x,y)像素位置处的较粗糙分辨率的图像强度,同理;Δt是步长。
(b)将红外图像IIR和可见光图像IVI分别送入FPDE方法进行分解,分别获得低频图像和
(c)通过源图像减去近似图像获得高频图像和
2)利用引导滤波对低频分量进行融合,具体包括下述过程:
(a)对低频图像进行均值滤波得到基础图像Bn,再由低频图像减去基础图像得到细节图像Dn:
Bn=In*Z
Dn=In-Bn
In为第n幅源图像,Z是均值滤波器。
(b)分别计算待融合图像的显著性、清晰度、标准差信息,得到初始融合权重,具体包括下述分步骤:
Step1:定义图像显著性得到计算公式:
是源图像In经过拉普拉斯滤波器L得到的滤波图像,g表示大小为(2r+1)×(2r+1)的高斯低通滤波器,σ是标准差。
Step2:根据图像显著性获得融合权重矩阵
N表示源图像数量,为第n幅图像中第k个像素的显著性值。
Step3:使用空间频率来表示图像清晰度并根据清晰度获得其融合权重矩阵
RF=[I(x,y)-I(x,y-1)]2
CF=[I(x,y)-I(x-1,y)]2
MDF=[I(x,y)-I(x-1,y-1)]2
SDF=[I(x,y)-I(x-1,y+1)]2
RF、CF、MDF和SDF分别表示图像的行频率、列频率、主对角频率和副对角频率。M、N分别表示图像长宽;x、y是图片像素位置坐标。
为第n幅图像中第k个像素的清晰度。
Step4:使用图像标准差表示图像对比度信息并根据标准差获得其权重矩阵
μ为局部区域内图像平均灰度值;为第n幅图像中第k个像素的对比度值。
Step5:由显著性、清晰度、对比度融合权重相乘得到初始融合权重W:
W=P×V×C
(c)利用引导滤波算法对初始融合权值进行修正,得到经过引导滤波处理后的基础图像和细节图像和
Pn为出现融合权重矩阵;In为引导图像;γn和εn分别表示滤波半径和滤波模糊程度。G为引导滤波处理。
(d)采用加权平均的融合方式分别对基础图像Bn与细节图像Dn进行融合得出融合图像的低频分量FA。
3)利用改进的PCA方法对高频分量进行融合,具体包括下述过程:
为了更好的获得融合图像的细节信息,在PCA方法中加入局部图像增强处理,减少因低灰度和低对比度而影响到图像细节信息的获取。
(a)判别较暗和对比度较低的图像区域并增强此区域,具体包括下述分步骤:
Step1:定义高频图像全局均值Eg和全局对比度得到计算公式如下:
r表示在图像灰度级[0,G-1]上的离散随机变量;p(ri)表示灰度级ri出现的概率。
Step2:定义高频图像局部均值El(i,j)和局部对比度得到计算公式如下:
假定x(a,b)是图像中某点灰度值,(2n+1)*(2n+1)为图像窗口大小。
Step3:根据判定标准对局部图像进行增强处理,计算公式如:
D表示为图像的平均值;k0、k1、k2均为小于1的常数。
(b)将高频图像和作为矩阵γ的列向量并找出其协方差矩阵Cγγ;
(c)计算特征值λ1、λ2和Cγγ的特征向量:
(d)找出最大特征值并将与之对应的特征向量作为最大特征向量,再对其主成分分量进行归一化:
(e)将主成分分量作为权重来融合图像信息得到最终细节图像FD,计算公式如下:
4)利用线性组合进行重构得到最终融合图像。
与现有技术相比,本发明避免了融合图像出现块状效应并能更好的权衡融合图像的边缘保留和平滑,减少融合伪影并使源图像的细节信息更好地转移到融合图像中。
以上结合附图对本发明的实施方式做出了详细说明,但本发明不局限于所描述的实施方式。对于本领域技术人员而言,在不脱离本发明的原理和精神的情况下,对这些实施方式进行各种变化、修改、替换和变型仍落入本发明的保护范围内。
Claims (7)
1.一种基于改进FPDE和PCA的红外与可见光图像融合方法,其特征在于,包括以下主要步骤:
1)使用改进的FPDE方法对红外和可见光图像进行分解;
2)利用引导滤波对低频分量进行融合;
3)利用改进的PCA方法对高频分量进行融合;
4)利用线性组合进行重构得到最终融合图像。
2.根据权利要求1所述的基于改进FPDE和PCA的红外与可见光图像融合方法,其特征在于,步骤1)具体包括下述过程:
(a)对偏微分方程使用梯度下降求解获得FPDE方法;
(b)将红外图像IIR和可见光图像IVI分别送入FPDE方法进行分解,分别获得低频图像和
(c)通过源图像减去近似图像获得高频图像和
3.根据权利要求2所述的基于改进FPDE和PCA的红外与可见光图像融合方法,其特征在于,步骤(a)具体包括下述分步骤:
Step1:图像先进过高斯滤波卷积:
Iσ=Gσ*I
σ是标准差;x、y是图像像素位置坐标;Gσ是高斯滤波卷积操作;I是原始图像;
Step2:建立FPDE过程从而得到计算公式:
是对经过高斯滤波的图像强度图像函数u执行的FPDE进程;是拉普拉斯算子;c是改进的扩散系数,其中s为变量,kf、kb为常数分别控制向前和向后扩散的范围,β为常数辅助控制向后扩散范围,α是向前和向后扩散之间的调节系数,满足α≤kf/2(kb+β);
Step3:用迭代方法进行数值求解得到计算公式:
所是在n+1次迭代和在(x,y)像素位置处的较粗糙分辨率的图像强度,同理;Δt是步长。
4.根据权利要求1所述的基于改进FPDE和PCA的红外与可见光图像融合方法,其特征在于,步骤2)具体包括下述过程:具体包括下述过程:
(a)对低频图像进行均值滤波得到基础图像Bn,再由低频图像减去基础图像得到细节图像Dn;
(b)分别计算待融合图像的显著性、清晰度、标准差信息,得到初始融合权重;
(c)利用引导滤波算法对初始融合权值进行修正;
(d)采用加权平均的融合方式分别对基础图像与细节图像进行融合得出融合图像的低频分量FA。
5.根据权利要求4所述的基于改进FPDE和PCA的红外与可见光图像融合方法,其特征在于,步骤(b)具体包括下述分步骤:
Step1:定义图像显著性Sn得到计算公式:
是源图像In经过拉普拉斯滤波器L得到的滤波图像,g表示大小为(2r+1)×(2r+1)的高斯低通滤波器,σ是标准差;
Step2:根据图像显著性获得融合权重矩阵
N表示源图像数量,为第n幅图像中第k个像素的显著性值;
Step3:使用空间频率来表示图像清晰度并根据清晰度获得其融合权重矩阵
RF=[I(x,y)-I(x,y-1)]2
CF=[I(x,y)-I(x-1,y)]2
MDF=[I(x,y)-I(x-1,y-1)]2
SDF=[I(x,y)-I(x-1,y+1)]2
RF、CF、MDF和SDF分别表示图像的行频率、列频率、主对角频率和副对角频率;M、N分别表示图像长宽;x、y是图片像素位置坐标;
为第n幅图像中第k个像素的清晰度;
Step4:使用图像标准差表示图像对比度信息并根据标准差获得其权重矩阵
μ为局部区域内图像平均灰度值;为第n幅图像中第k个像素的对比度值;
Step5:由显著性、清晰度、对比度融合权重相乘得到初始融合权重W:
W=P×V×C。
6.根据权利要求1所述的基于改进FPDE和PCA的红外与可见光图像融合方法,其特征在于,步骤3)具体包括下述过程:
(a)判别较暗和对比度较低的图像区域并增强此区域;
(b)将高频图像和作为矩阵γ的列向量并找出其协方差矩阵Cγγ;
(c)计算特征值λ1、λ2和Cγγ的特征向量;
(d)找出最大特征值并将与之对应的特征向量作为最大特征向量,再对其主成分分量进行归一化;
(e)将主成分分量作为权重来融合图像信息得到最终细节图像FD。
7.根据权利要求6所述的基于改进FPDE和PCA的红外与可见光图像融合方法,其特征在于,步骤(a)具体包括下述分步骤:
Step1:定义高频图像全局均值Eg和全局对比度得到计算公式如下:
r表示在图像灰度级[0,G-1]上的离散随机变量;p(ri)表示灰度级ri出现的概率;
Step2:定义高频图像局部均值El(i,j)和局部对比度得到计算公式如下:
假定x(a,b)是图像中某点灰度值,(2n+1)*(2n+1)为图像窗口大小;
Step3:根据判定标准对局部图像进行增强处理,计算公式如:
Eg<k0El且k1σg<σg<k2σl
D表示为图像的平均值;k0、k1、k2均为小于1的常数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910419031.3A CN110175970A (zh) | 2019-05-20 | 2019-05-20 | 基于改进fpde和pca的红外与可见光图像融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910419031.3A CN110175970A (zh) | 2019-05-20 | 2019-05-20 | 基于改进fpde和pca的红外与可见光图像融合方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110175970A true CN110175970A (zh) | 2019-08-27 |
Family
ID=67691746
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910419031.3A Pending CN110175970A (zh) | 2019-05-20 | 2019-05-20 | 基于改进fpde和pca的红外与可见光图像融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110175970A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111489319A (zh) * | 2020-04-17 | 2020-08-04 | 电子科技大学 | 基于多尺度双边滤波和视觉显著性的红外图像增强方法 |
CN112767289A (zh) * | 2019-10-21 | 2021-05-07 | 浙江宇视科技有限公司 | 图像融合方法、装置、介质及电子设备 |
CN114066786A (zh) * | 2020-08-03 | 2022-02-18 | 四川大学 | 一种基于稀疏和滤波器的红外和可见光图像融合方法 |
CN116167956A (zh) * | 2023-03-28 | 2023-05-26 | 无锡学院 | 基于非对称多层分解的isar与vis图像融合方法 |
CN117745555A (zh) * | 2023-11-23 | 2024-03-22 | 广州市南沙区北科光子感知技术研究院 | 基于双偏微分方程的多尺度红外和可见光图像的融合方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108389158A (zh) * | 2018-02-12 | 2018-08-10 | 河北大学 | 一种红外和可见光的图像融合方法 |
CN108986057A (zh) * | 2018-05-24 | 2018-12-11 | 上海电力学院 | 一种基于四阶偏微分和期望值最大的图像融合方法 |
-
2019
- 2019-05-20 CN CN201910419031.3A patent/CN110175970A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108389158A (zh) * | 2018-02-12 | 2018-08-10 | 河北大学 | 一种红外和可见光的图像融合方法 |
CN108986057A (zh) * | 2018-05-24 | 2018-12-11 | 上海电力学院 | 一种基于四阶偏微分和期望值最大的图像融合方法 |
Non-Patent Citations (6)
Title |
---|
DURGA PRASAD BAVIRISETTI 等: "Multi-sensor Image Fusion based on Fourth Order Partial Differential Equations", 《20TH INTERNATIONAL CONFERENCE ON INFORMATION FUSION》, 30 July 2017 (2017-07-30), pages 1 - 9, XP033142496, DOI: 10.23919/ICIF.2017.8009719 * |
吴子岳 等: "自适应图像增强的差值哈希算法对运动目标的跟踪定位研究", 《全球定位系统》, vol. 43, no. 5, 15 October 2018 (2018-10-15), pages 98 - 104 * |
周千: "一种改进拉氏算子的四阶偏微分方程图像去噪方法", 《世界科技研究与发展》, vol. 36, no. 3, 15 June 2014 (2014-06-15), pages 253 - 256 * |
梁斌 等: "奇异值分解和改进PCA的视频人脸检索方法", 《计算机工程与应用》, vol. 49, no. 1, 1 June 2013 (2013-06-01), pages 177 - 182 * |
江泽涛 等: "基于改进引导滤波和双通道脉冲发放皮层模型的红外与可见光图像融合算法", 《光学学报》, vol. 38, no. 2, 10 February 2018 (2018-02-10), pages 1 - 9 * |
高雪琴 等: "基于 FPDE 的红外与可见光图像融合算法", 《自动化学报》, 4 January 2019 (2019-01-04), pages 1 - 9 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112767289A (zh) * | 2019-10-21 | 2021-05-07 | 浙江宇视科技有限公司 | 图像融合方法、装置、介质及电子设备 |
CN112767289B (zh) * | 2019-10-21 | 2024-05-07 | 浙江宇视科技有限公司 | 图像融合方法、装置、介质及电子设备 |
CN111489319A (zh) * | 2020-04-17 | 2020-08-04 | 电子科技大学 | 基于多尺度双边滤波和视觉显著性的红外图像增强方法 |
CN114066786A (zh) * | 2020-08-03 | 2022-02-18 | 四川大学 | 一种基于稀疏和滤波器的红外和可见光图像融合方法 |
CN116167956A (zh) * | 2023-03-28 | 2023-05-26 | 无锡学院 | 基于非对称多层分解的isar与vis图像融合方法 |
CN116167956B (zh) * | 2023-03-28 | 2023-11-17 | 无锡学院 | 基于非对称多层分解的isar与vis图像融合方法 |
CN117745555A (zh) * | 2023-11-23 | 2024-03-22 | 广州市南沙区北科光子感知技术研究院 | 基于双偏微分方程的多尺度红外和可见光图像的融合方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110175970A (zh) | 基于改进fpde和pca的红外与可见光图像融合方法 | |
Guo et al. | LIME: Low-light image enhancement via illumination map estimation | |
US8570396B2 (en) | Multiple exposure high dynamic range image capture | |
US8525900B2 (en) | Multiple exposure high dynamic range image capture | |
US8139889B2 (en) | Method, an apparatus and a computer-readable medium for processing a night vision image dataset | |
EP2515273A1 (en) | Multiple exposure high dynamic range image capture | |
WO2013168618A1 (ja) | 画像処理装置及び画像処理方法 | |
CN108038833B (zh) | 一种梯度相关性检测的图像自适应锐化方法和存储介质 | |
JPH06348842A (ja) | ノイズ低減フィルター | |
CN107292834B (zh) | 红外图像细节增强方法 | |
CN106504244A (zh) | 一种基于Retinex与小波尺度积的矿井图像边缘检测算法 | |
CN106971153A (zh) | 一种人脸图像光照补偿方法 | |
CN108932699A (zh) | 基于变换域的三维匹配调和滤波图像去噪方法 | |
Goyal et al. | Dual way residue noise thresholding along with feature preservation | |
CN113344810A (zh) | 基于动态数据分布的图像增强方法 | |
TW525374B (en) | System and method for enhancing document images | |
Lacroix | The primary raster: a multiresolution image description | |
Mi et al. | A generalized enhancement framework for hazy images with complex illumination | |
CN108596928A (zh) | 基于改进高斯-拉普拉斯算子的噪声图像边缘检测方法 | |
CN116228569A (zh) | 一种用于保留结构及平衡亮度的低质量焊接图像增强方法 | |
Potocnik et al. | Image enhancement by using directional wavelet transform | |
US20100002772A1 (en) | Method and device for restoring a video sequence | |
CN110246099A (zh) | 一种保持结构边缘的图像去纹理方法 | |
CN106600662B (zh) | 图像中主线条的绘制方法及装置 | |
Zheng et al. | An illumination adaptive underwater image enhancement method |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190827 |
|
RJ01 | Rejection of invention patent application after publication |